如何将GEO下载的GSE/GPL数据中的基因ID转换为ENSEMBL ID？

针对你在GEO数据处理中需要将探针ID/基因符号转换为ENSEMBL ID的需求，以下是两种常用的R语言实现方案，均可以在聚合表达数据前完成转换：

方法一：使用biomaRt包（灵活适配多物种/芯片） #

biomaRt可直接连接Ensembl数据库获取最新注释信息，适合精准匹配芯片探针与ENSEMBL ID的场景。以你提到的GPL6246（人类Affymetrix芯片）为例：

步骤1：安装并加载依赖包 #

# 首次运行需安装包
if (!require("biomaRt")) BiocManager::install("biomaRt")
if (!require("GEOquery")) BiocManager::install("GEOquery")
if (!require("Biobase")) BiocManager::install("Biobase")
if (!require("dplyr")) install.packages("dplyr")

# 加载包
library(biomaRt)
library(GEOquery)
library(Biobase)
library(dplyr)

步骤2：连接数据库并获取探针映射 #

# 连接人类Ensembl数据库（小鼠数据替换为"mmusculus_gene_ensembl"）
ensembl <- useMart("ensembl", dataset = "hsapiens_gene_ensembl")

# 获取GPL6246探针ID到ENSEMBL ID的映射
# GPL6246对应Affymetrix Gene 1.0 ST Array，filter参数为"affy_hugene_1_0_st_v1"
probe_map <- getBM(
  attributes = c("affy_hugene_1_0_st_v1", "ensembl_gene_id", "external_gene_name"),
  filters = "affy_hugene_1_0_st_v1",
  values = rownames(expression_matrix), # 传入你的表达矩阵探针ID
  mart = ensembl
)

# 过滤无匹配ENSEMBL ID的探针
probe_map <- probe_map[!is.na(probe_map$ensembl_gene_id), ]

步骤3：合并映射与表达矩阵并处理多对多关系 #

# 将表达矩阵转为数据框并保留探针ID
expr_df <- as.data.frame(expression_matrix) %>%
  mutate(probe_id = rownames(.))

# 合并映射信息
expr_merged <- inner_join(expr_df, probe_map, by = c("probe_id" = "affy_hugene_1_0_st_v1"))

# 处理一个探针对应多个ENSEMBL ID的情况：此处保留每个探针匹配的第一个ID（可按需调整）
expr_merged <- expr_merged %>%
  group_by(probe_id) %>%
  slice(1) %>%
  ungroup()

# 按ENSEMBL ID聚合表达值（取均值）
expr_ensembl <- expr_merged %>%
  group_by(ensembl_gene_id) %>%
  summarise(across(where(is.numeric), mean)) %>%
  column_to_rownames("ensembl_gene_id")

方法二：使用物种特异性注释包（快速便捷） #

如果是人类数据，可直接使用org.Hs.eg.db注释包，无需连接在线数据库：

步骤1：安装并加载注释包 #

if (!require("org.Hs.eg.db")) BiocManager::install("org.Hs.eg.db")
library(org.Hs.eg.db)

步骤2：获取探针到ENSEMBL ID的映射 #

# GPL6246探针对应keytype为"ACCNUM"，其他芯片需根据注释调整
probe_map <- select(
  org.Hs.eg.db,
  keys = rownames(expression_matrix),
  columns = c("ENSEMBL", "SYMBOL"),
  keytype = "ACCNUM"
)

# 过滤无匹配的探针
probe_map <- probe_map[!is.na(probe_map$ENSEMBL), ]

步骤3：合并与聚合（同方法一） #

expr_df <- as.data.frame(expression_matrix) %>%
  mutate(probe_id = rownames(.))

expr_merged <- inner_join(expr_df, probe_map, by = c("probe_id" = "ACCNUM"))

# 处理多对多映射后按ENSEMBL ID聚合
expr_merged <- expr_merged %>%
  group_by(probe_id) %>%
  slice(1) %>%
  ungroup()

expr_ensembl <- expr_merged %>%
  group_by(ENSEMBL) %>%
  summarise(across(where(is.numeric), mean)) %>%
  column_to_rownames("ENSEMBL")

关键注意事项 #

• 探针类型匹配：不同芯片的探针对应不同的filter/keytype，需根据GPL注释文件确认，比如GPL570对应affy_hg_u133_plus_2（biomaRt）或ACCNUM（org包）。
• 多对多映射处理：部分探针可能对应多个ENSEMBL ID，或多个探针对应同一个ENSEMBL ID，可根据研究需求选择保留第一个、取交集或过滤这类探针。
• 离线注释：无法联网时优先使用物种注释包，或提前用biomaRt下载映射文件备用。

内容的提问来源于stack exchange，提问作者driver